1.3 Ứng dụng của mạng nơron trong nhận dạng và điều khiển
1.3.4.9Những hạn chế và chú ý
Trong mỗi cấu trúc của các bộ điều khiển nơron chúng ta đều đánh giá về những thuận lợi và không thuận lợi của các bộ điều khiển nàỵ Ví dụ với phương pháp phương pháp phản hồi tuyến tính hóa chỉ được áp dụng với những hệ thống được mơ tả bởi phương trình (1.81). Phương pháp điều khiển thích nghi trực tiếp ổn định u cầu khơng có thành phấn phi tuyến trong phương trình mơ tả cũng như tín hiệu điều khiển khơng gian trạng tháị Phương pháp điều khiển theo mơ hình mẫu
Ad
x
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
không đảm bảo độ ổn định, phương pháp điều khiển ngược thích nghi yêu cầu sự tồn tại của mơ hình ngược của đối tượng. Nói chung những phương pháp điều khiển trên đều đảm bảo sự ổn định nhưng chỉ được áp dụng trong một giới hạn nào đó của hệ thống. Lĩnh vực điều khiển nơron tiếp tục được nghiên cứu, cách thức ổn định hoá trong hệ thống sẽ được phát triển rộng khắp trong các hệ thống. Từ các vấn đề thực tế cho thấy, vấn đề mấu chốt cho những hệ thống điều khiển nơron là khả năng hoạt động tốt của một mạng trong các trạng thái mớị Ví dụ cấu trúc mơ hình điều khiển dự báo cần đến một mơ hình mạng nơron nhận dạng thiết bị, mơ hình thiết bị là một ánh xạ từ các đầu vào và đầu ra của thiết bị trước tới đầu ra của thiết bị saụ Trong trình tự tính tốn mơ hình thiết bị, mạng cần được huấn luyện với dữ liệu bao gồm tồn bộ phạm vi đầu vào mạng có thể thực hiện được. Điều khó có thể thực hiện được ở đây là dữ liệu, bởi vì chúng ta khơng có điều khiển trực tiếp vượt trước đầu ra của thiết bị. Nhiều lúc chúng ta có thể có điều khiển độc lập trên đầu vào thiết bị, nhưng chỉ có điều khiển gián tiếp trên đầu ra của thiết bị (mà sau đó trở thành đầu vào mạng). Những hệ thống bậc cao sẽ khó khăn để đạt được dữ liệu cho phản ứng đầu ra của thiết bị thích hợp cho việc phân vùng không gian trạng tháị Trạng thái sẽ trở nên quan trọng để mạng có thể phát hiện ra trạng thái trong đó đầu vào rơi ra ngồi miền dữ liệu được cho là đúng mà mạng đã được huấn luyện.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
KẾT LUẬN CHƢƠNG 1
Qua phân tích mơ hình và ứng dụng của mạng nơron ta thấy chúng có: 1. Các tính chất:
- Là hệ phi tuyến
- Là hệ xử lý song song: mạng nơron có cấu trúc song song, do đó có tốc độ tính tốn rất cao, rất phù hợp với lĩnh vực nhận dạng và điều khiển.
- Là hệ học và thích nghi: Mạng được luyện từ các số liệu quá khứ, có khả năng tự điều chỉnh khi số liệu đầu vào bị mất, có thể điều khiển on - line
- Là hệ nhiều biến, là hệ nhiều đầu vào, nhiều đầu ra (MIMO) rất tiện dùng khi điều khiển đối tượng khi có nhiều biến số.
2. Có nhiều phương pháp ứng dụng mạng nơron để nhận dạng đối tượng, trong đó nổi bật là hai phương pháp nhận dạng on - line và nhận dạng off - linẹ Trong hai phương pháp trên thì phương pháp nhận dạng off - line có nhiều ưu điểm: nó có thể sử dụng đồng thời tất cả các dữ liệụ Nhận dạng off - line sử dụng khi cần thiết phải xử lý rất nhiều tín hiệu cùng một lúc. Phương pháp sử dụng mạng nơron nhận dạng đối tượng theo đặc tính vào - ra, là điểm mạnh về ứng dụng của mạng nơron. Sử dụng mạng nơron để nhận dạng đối tượng có nhiều ưu điểm hơn so với phương pháp nhận dạng truyền thống vì:
- Mạng nơron là hệ học và thích nghi có khả năng học on - line hoặc off - line từ các số liệu quá khứ, do đó kết quả nhận dạng có thể đạt được độ chính xác rất caọ
- Mạng nơron là hệ xử lý song song do đó tốc độ tính tốn cao, mà các phương pháp nhận dạng truyền thống khó có thể đạt được.
- Mạng nơron là hệ MIMO, do đó rất tiện dụng khi nhận dạng cho đối tượng nhiều biến.
- Với bản chất “HỌC” mạng nơron có một trong những ứng dụng rất đặc trưng đó là nhận dạng đối tượng căn cứ vào đặc tính vào - ra của nó. Mạng nơ ron truyền thẳng nhiều lớp có cấu tạo đơn giản, có luật học lan truyền ngược rất nổi
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
tiếng thực hiện dễ dàng và có hiệu quả cao phù hợp với thực hiện quá trình học cho các đối tượng là tuyến tính và phi tuyến tính.
3. Có nhiều phương pháp điều khiển nhưng mỗi phương pháp đều có các ưu điểm và nhược điểm đặc thù như phương pháp phản hồi tuyến tính hóa chỉ được áp dụng với những hệ thống được mơ tả bởi phương trình (1.81), phương pháp điều khiển thích nghi trực tiếp ổn định yêu cầu khơng có thành phần phi tuyến trong phương trình mơ tả cũng như tín hiệu điều khiển không gian trạng tháị Phương pháp điều khiển thích nghi theo mơ hình mẫu khơng đảm bảo sự ổn định. Phương pháp điều khiển ngược thích nghi yêu cầu sự tồn tại của mơ hình ngược của đối tượng. Nói chung những phương pháp điều khiển trên đều đảm bảo sự ổn định nhưng chỉ được áp dụng trong một giới hạn nào đó của hệ thống. Lĩnh vực điều khiển nơron sẽ còn tiếp tục phát triển và các phương pháp điều khiển sử dụng mạng nơron cũng sẽ phát triển đa dạng và có hiệu quả hơn nữạ
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn
CHƢƠNG 2 – MƠ HÌNH NƠ RON, MẠNG NƠRON TRUYỀN THẲNG, MƠ HÌNH SIMULINK NEURAL TOOLBOX CỦA MATLAB VÀ ỨNG
DỤNG CỦA MATLAB TRONG ĐIỀU KHIỂN
Phần này trình bày hướng dẫn các bước thực hiện cơ bản để sử dụng phần mềm MATLAB trong nhận dạng và điều khiển:
- Hướng dẫn sử dụng NEURAL TOOLBOX của MATLAB gồm: mơ hình nơron và mơ hình cấu trúc của mạng nơron truyền thẳng nhiều lớp; SIMULINK của mạng nơ ron; một số ví dụ về lập trình cho mạng nơron cơ bản; các kiểu điều khiển có ứng dụng mạng nơron như: mơ hình điều khiển dự báo (Model Predictive Control), điều khiển NARMA – L2 (hoặc điều khiển phản hồi tuyến tính), điều khiển theo mơ hình mẫu (Model Reference Control).
2.1 MƠ HÌNH NƠRON VÀ MẠNG NƠRON TRUYỀN THẲNG 2.1.1 Nơron có tín hiệu vào ở dạng véc tơ